La identificación de la migración humana impulsada por el cambio climático, la propagación de COVID-19, tendencias agrícolas, y los problemas socioeconómicos en las regiones vecinas dependen de los datos:cuanto más complejo es el modelo, cuantos más datos se requieran para comprender tales fenómenos distribuidos espacialmente. Sin embargo, Los datos fiables suelen ser costosos y difíciles de obtener. o demasiado escasa para permitir predicciones precisas.

Maurizio Porfiri, Profesor del Instituto de Mecánica y Aeroespacial, biomédico e ingeniería civil y urbana y miembro del Center for Urban Science and Progress (CUSP) de la NYU Tandon School of Engineering, ideó una solución novedosa basada en la teoría de la red y la información que hace que los "datos pequeños" actúen en grande, la aplicación de técnicas matemáticas normalmente utilizadas para series de tiempo, a los procesos espaciales.

El estudio, "Un enfoque teórico de la información para estudiar las dependencias espaciales en pequeños conjuntos de datos, "aparece en la portada de Proceedings of the Royal Society A:Matemática, Ciencias físicas y de la ingeniería , describe cómo, a partir de una pequeña muestra de atributos en un número limitado de ubicaciones, los observadores pueden hacer inferencias sólidas de influencias, incluyendo interpolaciones a áreas intermedias o incluso regiones distantes que comparten atributos clave similares.

"La mayoría de las veces, los conjuntos de datos son deficientes, "Porfiri explicó." Por lo tanto, adoptamos un enfoque muy básico, aplicar la teoría de la información para explorar si la influencia en el sentido temporal podría extenderse al espacio, lo que nos permite trabajar con un conjunto de datos muy pequeño, entre 25 y 50 observaciones, ", dijo." Estamos tomando una instantánea de los datos y estableciendo conexiones, no basados ​​en causa y efecto, sino en la interacción entre los puntos individuales, para ver si hay alguna forma de subyacente, respuesta colectiva en el sistema ".

El método, desarrollado por Porfiri y colaborador Manuel Ruiz Marín del Departamento de Métodos Cuantitativos, Derecho y lenguas modernas, Universidad Politécnica de Cartagena, España, involucrado:

• Consolidar un conjunto de datos dado en un pequeño rango de símbolos admisibles, similar a la forma en que un sistema de aprendizaje automático puede identificar una cara con datos de píxeles limitados:una barbilla, pómulos frente, etc.
• Aplicar un principio de teoría de la información para crear una prueba que no es paramétrica (una que asume que no hay un modelo subyacente para la interacción entre ubicaciones) para dibujar asociaciones entre eventos y descubrir si la incertidumbre en una ubicación particular se reduce si uno tiene conocimiento sobre el incertidumbre en otro lugar.

Porfiri explicó que dado que un enfoque no paramétrico no postula una estructura subyacente para las influencias entre los nodos, confiere flexibilidad en cómo se pueden asociar los nodos, o incluso cómo se define el concepto de vecino.

"Porque abstraemos este concepto de vecino, podemos definirlo en el contexto de cualquier calidad que desee, por ejemplo, ideología. Ideológicamente, California puede ser vecina de Nueva York, aunque no están ubicados geográficamente. Pueden compartir valores similares ".

El equipo validó el sistema frente a dos estudios de caso:migraciones de población en Bangladesh debido al aumento del nivel del mar y muertes de vehículos motorizados en los EE. UU. para obtener una visión basada en principios estadísticos de los mecanismos de problemas socioeconómicos importantes.

"En el primer caso, queríamos ver si la migración entre ubicaciones se podía predecir por la distancia geográfica o la gravedad de la inundación de ese distrito en particular, si el conocimiento de qué distrito está cerca de otro distrito o el conocimiento del nivel de inundación ayudará a predecir el tamaño de la migración, "dijo Ruiz Marín.

Para el segundo caso, analizaron la distribución espacial de los accidentes automovilísticos relacionados con el alcohol en 1980, 1994, y 2009, comparar estados con un alto grado de accidentes de este tipo con estados adyacentes y con estados con ideologías legislativas similares sobre beber y conducir.

"Descubrimos una relación más fuerte entre estados que comparten fronteras que entre estados que comparten ideologías legislativas relacionadas con el consumo de alcohol y la conducción".

Próximo, Porfiri y Ruiz Marín proyectan extender su método al análisis de procesos espacio-temporales, como la violencia con armas de fuego en los EE. UU., un importante proyecto de investigación financiado recientemente por el programa LEAP HI de la National Science Foundation, o ataques epilépticos en el cerebro. Su trabajo podría ayudar a comprender cuándo y dónde puede ocurrir la violencia con armas de fuego o pueden iniciarse las incautaciones.